MétaCan
Menu
Retour à la cohorte
Enregistrement W3142766588 · doi:10.1021/acsnano.0c10078

An Emerging Energy Storage System: Advanced Na–Se Batteries

2021· article· en· W3142766588 sur OpenAlexaff
Xiang Huang, Chaofu Zhou, Weidong He, Shuhui Sun, Yu‐Lun Chueh, Zhiming Wang, Huan Liu, Shi Xue Dou

Notice bibliographique

RevueACS Nano · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueAdvancements in Battery Materials
Établissements canadiensInstitut National de la Recherche Scientifique
Organismes subventionnairesState Administration of Foreign Experts AffairsMinistry of Science and Technology of the People's Republic of ChinaMinistry of Education of the People's Republic of China
Mots-clésMaterials scienceElectrochemistryEnergy storageBattery (electricity)CathodeNanotechnologyCommercializationSodium-ion batteryElectrochemical energy storageElectrodeSupercapacitorElectrical engineeringChemistryEngineering

Résumé

récupéré en direct d'OpenAlex

Sodium–selenium (Na–Se) batteries have aroused enormous attention due to the large abundance of the element sodium as well as the high electronic conductivity and volumetric capacity of selenium. In this battery system, some primary advances in electrode materials have been achieved, mainly involving the design of Se-based cathode materials. In this Review, the electrochemical mechanism is discussed, thus revealing the main challenges in Na–Se batteries. Then, the advances in the design of Se-based cathode materials for Na-ion storage are systemically summarized, classified, and discussed, including Se/carbon composite, Se/polar material/carbon composites, and hybrid SexSy alloys. Some potential strategies enabling the improvement of crucial challenges and enhancement of electrochemical performance are also proposed to provide guidelines for the enhancements of Na-ion storage. An outlook for future valuable research directions is proposed to understand more deeply the electrochemical mechanism of Na–Se batteries and promote their further developments in full cell performance and commercialization.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,045
Score d'incertitude au seuil0,892

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,011
Tête enseignante GPT0,246
Écart entre enseignants0,235 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations102
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueACS NanoMême sujetAdvancements in Battery MaterialsTravaux en français237 207